匹配正文：答案要点 RAG核心架构三要素（检索器、生成器、融合机制）检索器优化方法（Dense vs Sparse、混合检索、查询改写）向量数据库选型要点（HNSW索引、量化压缩、分布式能力）重排序策略（Cross-Encoder、ColBERT、多阶段漏斗）实际落地中的关键权衡（延迟vs效果、成本vs覆盖） RAG核心架构 RAG = 检索器(Retriever) + 生成器(Generator) + 融合机制用户Query → 检索器 → 相关文档Top-K → 拼接Pr…

#字节#向量库与重排序#RAG 架构设计

面试题·检索· 小红书

中文知识库检索选型

匹配标题与标签：中文知识库检索选型中文知识库中按专名和语义查询做实战选型，补充适用边界与工程取舍检索小红书稀疏与稠密检索中文知识库检索选型中文知识库选 BM25 还是向量检索？场景与实测 RAG 检索方法稠密向量检索稀疏检索小红书

#小红书#稀疏与稠密检索#中文知识库检索选型

面试题·检索· 安克科技

RAG 知识库怎么存?

匹配正文：答案要点向量数据库选型需考虑规模、延迟、成本三要素元数据设计要支持过滤和排序索引结构需权衡召回率与速度实际落地常用混合检索（向量+关键词）需考虑数据更新和版本管理知识库存储形式 RAG知识库采用双轨存储：向量存储（语义检索）+ 文档存储（原文召回），二者通过doc_id关联。向量数据库选择场景推荐方案理由百万级/快速验证 FAISS、Milvus Lite 轻量、易部署千万级/生产环境 Milvus、Pinecone、Weaviate 分布式、高可用 …

希望老师帮你把学习与项目串起来？

了解 AI 全栈 1v1 陪跑营的项目安排、导师答疑与简历面试辅导。

查看课程安排 →咨询学习安排

学习内容与项目面试，在同一条路上。

站内 RAG 在线实战

#安克科技#向量数据库选型#RAG 知识库存储

面试题·检索· 安克科技

RAG 知识库存储怎么选?

匹配正文：答案要点区分结构化数据与向量数据的存储场景和查询模式阐述混合检索架构的设计（向量+关键词+结构化过滤）说明数据同步与一致性保障机制讨论选型考量因素（规模、延迟、成本、团队能力）给出具体的集成方案（如PostgreSQL+pgvector或分离架构）核心设计原则 RAG知识库不是"二选一"，而是分层存储 + 混合检索。向量负责语义匹配，结构化负责精确过滤，两者互补。存储层设计数据类型存储方案典型场景向量Embedding 专用向量库（Milvus/Pine…

#安克科技#知识库存储架构#RAG 知识库存储

面经·求职· 通用岗位场景

RAG 项目面试会怎样连续追问？一场工程深挖教学复原

匹配正文：…用自己能够说明测法与证据的事实。学习背景经验：适合有后端基础、正在准备大模型应用开发岗位的读者项目背景：练习场景：企业文档 RAG；项目规模、指标与个人职责由读者按真实经历填写目标岗位：大模型应用工程师准备时间：按自己的准备进度使用关键考点文档分块(Chunking)策略与表格切分 Embedding 模型选型与领域微调 BM25 + 向量混合检索与 RRF 融合多轮对话 Query 改写与指代消解 Cross-Encoder Rerank 精排 RAG 幻觉…

#RAG#项目深挖#教学复原

系统教程·RAG

RAG 面试题大全与知识体系

匹配正文：RAG 是大模型应用开发岗面试必考的第一主题：简历上写了 RAG 项目，面试官会从分块、检索、重排一路追问到评估。这一页把本站全部 RAG 资产按知识体系组织好——先用 11 章实战教程把系统做出来，再按模块刷真题，每道题都有书面答案和口语版讲法。配套教程 RAG 智能问答系统：11 章从原理到评测知识模块 RAG 基础与整体架构文档处理与分块向量检索与召回重排与检索优化知识图谱增强常见问题 RAG 面试一般会考哪些问题？围绕你简历上的 RAG 项目逐层追问：…

#专题学习#RAG 面试题大全与知识体系

项目实战·RAG

第 5 章:检索召回,混合检索(BM25 + 向量)

匹配正文：…数据集本书每章的完整可运行代码 + 测试样本,都在配套 GitHub 仓库: 🔗 github.com/MisterBooo/rag-from-zero clone后先阅读项目首页的配套代码与运行环境，把零依赖演练与完整模型/API链路分开验证本章的纯 Python BM25(零依赖)也在里面欢迎 Star ⭐ / Issue 反馈导航 ← 上一章:Embedding 选型与向量化 | 下一章:重排与检索优化 → | 回到项目首页

#RAG#检索#项目实战

面试题·Agent· 阿里

LangChain vs LlamaIndex 在 RAG 中怎么选?

匹配正文：…nt决策+工具调用） ↓ 模型层：OpenAI/Claude/本地模型场景示例：企业智能客服 LlamaIndex构建产品手册的向量索引+关键词索引混合检索 LangChain Agent判断用户意图，决定直接回答/检索知识库/转人工/调用订单API 选型建议场景推荐方案纯RAG应用 LlamaIndex为主复杂Agent工作流 LangChain + AutoGen 已有数据基础设施 LlamaIndex检索 + 自研Agent 快速原型验证 LangChain（…

#阿里云#Agent#Agent 框架对比

面试题·文档处理· 美团

RAG 知识库搭建流程?

匹配口述回答：…理没做好，导致检索结果一堆垃圾，用户直接弃用。上线后我会特别关注Recall@K和延迟的监控，定期做bad case分析。定位：RAG知识库搭建本质是质量与延迟的平衡预处理：格式解析与元数据，扫描件OCR的坑分块：固定长度与语义切分的适用边界，重叠窗口向量化与索引：Embedding选型、HNSW与IVF-PQ的取舍检索优化：混合检索与重排序，落地风险约4分钟知识库频繁更新时，如何平衡索引实时性与检索质量，特别是删除和修改操作的处理面试官可能会追问增量索引的具…

#美团#RAG 知识库搭建#文档预处理

面试题·模型微调· 字节

领域 RAG 知识库构建

匹配口述回答：这道题问的是搭建领域[[RAG]]的完整流程，其实本质就是一件事：把外挂知识库里的信息准确找出来，再让大模型读明白、说人话。它不是微调模型学知识，而是查文档加读文档的工程化。先说数据准备。很多人一上来就[[向量化]]，其实质量天花板在数据清洗和[[分块]]。清洗不难，去重去噪、统一格式就行，但领域数据有个坑：专业术语容易被通用[[分词器]]切碎。比如医学里的“非小细胞肺癌”，拆成“非”“小细胞”“肺癌”就丢语义了。所以前提是建一个领域词典，把这类复合词保留。分块才是真正的…

#字节#领域 RAG 知识库构建#领域 RAG 知识库怎么建？数据处理、索引与检索

面试题·模型微调

SFT vs RAG 知识更新

匹配正文：…四个维度（知识更新灵活性、推理准确性、部署复杂度、泛化能力）分析各自的性能上限瓶颈给出典型适用场景的判断标准能结合业务场景做选型建议核心对比维度 SFT RAG 知识更新灵活性差。需重新训练，成本高、周期长优。知识库热更新，分钟级生效推理准确性依赖训练数据质量，易幻觉可控。检索结果可溯源、可干预部署复杂度相对简单，单模型推理复杂。需向量库+检索+重排序+生成多模块泛化能力强。内化知识，复杂推理更连贯弱。依赖检索质量，知识片段间推理易断裂性能上…

#SFT#RAG 知识更新#SFT vs RAG 知识更新

面试题·RAG· 百度

RAG 索引构建管线

匹配正文：RAG索引环节的优化核心在于**"怎么存"和"怎么找"**两个维度，常见策略如下：一、分块策略优化动态分块：按语义边界（句子、段落）而非固定长度切分，避免切断关键信息重叠窗口：把零重叠、短窗口与较长窗口作为候选，用同一评测集验证是否减少边界证据丢失多粒度索引：同时存储句子级（精）和段落级（全），检索时按需召回二、Embedding层优化模型选型：垂域数据用BGE、M3E等开源模型，必要时Domain-Specific微调多向量表示：ColBERT的late in…

#百度#RAG索引优化#RAG 索引构建管线

面试题·RAG· 淘天

RAG 模型分类有哪些?

匹配正文：…动决策关键能力：模块功能检索器可切换（向量/图谱/搜索引擎）调度器判断是否需要检索、何时停止生成器支持Self-RAG（反思token）、FLARE（动态检索）代表：Self-RAG、ReAct、RAG-Fusion 适用：科研分析、多跳推理、开放域复杂任务架构差异对比维度 Naive Advanced Modular 延迟低中高准确性依赖索引质量显著提升最高灵活性无有限高度可编排运维成本低中高选型建议：从Naive快速…

#淘天#RAG架构分类#RAG 分类

面试题·检索· 字节

RAG Retriever 工作流程详解

匹配正文：1. 查询预处理查询改写：识别用户真实意图，补全省略信息（如"这个多少钱"→结合上下文补全商品名） HyDE（假设文档嵌入）：让LLM生成伪答案再向量化，解决查询-文档语义鸿沟查询扩展：同义词扩展、子问题分解（如Multi-Query） 2. 向量化表示模型选型：通用场景用BGE/M3-Embedding，垂直领域需微调关键细节：截断长度、是否添加指令前缀（如"Represent this sentence for retrieval"）动态更新：用户反馈回流，做对…

#字节#重排与优化#RAG Retriever 工作流程

面试题·检索· 字节

专业领域RAG链路优化陷阱

匹配正文：…定元数据增强：注入{文档类型、时效性、权威等级}等标签，支持后续过滤二、索引构建：混合召回架构双塔索引设计：索引类型技术选型适用场景稠密向量 BGE-M3/E5领域微调语义相似、同义词泛化稀疏向量 BM25 + 领域词表扩展专业术语精确匹配图索引知识图谱（医疗UMLS/法律法条引用）跨文档逻辑关联关键优化：向量模型用领域语料做MLM+对比学习二次预训练三、检索策略：多路召回+精排召回层：向量Top-K + BM25 Top-K + 图谱邻居扩展…

#字节#重排与优化#RAG 链路优化

面试题·检索· 字节

RAG 重排作用与实现

匹配标题与标签：RAG 重排作用与实现 RAG 为什么重排，以及常见实现，补充适用边界与工程取舍检索字节 Cross-Encoder重排 RAG 重排作用与实现 RAG 为什么需要重排？作用、实现与选型 RAG 重排 Re-ranking 模块 RAG 检索优化字节

#字节#Cross-Encoder重排#RAG 重排作用与实现

面试题·检索· 安克科技

向量数据库 vs 传统数据库怎么选？

匹配正文：答案要点向量数据库的核心原理（embedding+相似度检索）与传统数据库的差异向量库与关系型数据库各自的优劣场景混合检索架构设计（多路召回、重排序）结构化与非结构化数据的融合策略知识库存储方式 RAG知识库的核心存储形态：向量数据库：文本/图像等embedding存储，支持语义相似度检索传统数据库：结构化元数据（来源、时间、权限等）+ 原始内容对象存储：原始文档、图片、音视频等大文件向量库 vs 传统数据库维度向量数据库传统数据库核心能力语义相似…

#安克科技#混合知识库存储#向量数据库

项目实战·RAG

RAG 智能问答系统

匹配正文：…实填空框架，不是可以直接粘贴的项目经历。请只填写自己实际完成、能够用代码、日志或评测记录复核的内容。避免空泛的项目表达使用了 RAG 技术构建问答系统，效果良好问题：形容词无效。「效果良好」等于没说可以改成：在[真实评测集]上以[指标定义]对比[基线]，结果为[实测值]，主要失败样本是[类型] 精通 RAG / LangChain / Embedding / 向量库问题：「精通」是大坑词。面试官会追问到你不会可以改成：我实际完成了[模块]，能解释[选型]，并用[日…

#项目实战#RAG 智能问答系统

系统教程·检索

向量检索面试题大全

匹配正文：向量检索是 RAG 的底座。真正的面试追问会从“怎么存向量”一路问到“怎么分块、怎么建索引、怎么评估召回、为什么这条没有召回”。这页把检索底层问题串起来。配套教程 RAG 教程第 4 章：Embedding 选型与向量库索引 RAG 教程第 3 章：文档分块与解析流水线知识模块 Embedding、向量数据库与 ANN 索引 Embedding、向量数据库与 ANN 索引文档解析、Chunking 与元数据文档解析、Chunking 与元数据常见问题向量检索面试怎…

#专题学习#向量检索面试题大全

面试题·Agent

什么时候该用 Deep Research，而不是普通 RAG？复杂问题怎么分级路由？

匹配正文：…互相替代的产品。越往后，系统的自由度越高，可能解决的问题越复杂；与此同时，步骤更多、错误面更大、任务时间更长，验证也更难。普通 RAG、Agentic RAG 与 Deep Research 的能力边界选型要找的是能够满足任务的最低复杂度，“最先进”并不是有效判断标准。判断一：答案能否从一处证据直接得到？第一道分流问题最朴素：正确答案是否主要位于一段可检索资料中？如果是，优先普通 RAG。例如用户问“系统怎样创建知识库”，目标答案就在产品文档的一节里。系统需要找到…

#Deep Research#问题边界与研究闭环#Deep Research 分级路由

项目实战·RAG

第 1 章:为什么做 RAG?

匹配正文：…G、什么是"上下文" ✓ 建立 RAG 的"两条链路"心智模型(这张图决定了本书后面 9 章的顺序) ✓ 学会判断:什么场景该上 RAG、什么场景上了也是白上 ✓ 理解一个反直觉的事实:做 RAG,模型反而是最不用操心的部分本章按三段式组织,不同基础的读者各取所需: 段落给谁看内容占比 🚀 Part 1 · 主线实战零基础,想先跑起来概念白话 + 20 行迷你 RAG ~50% 🎯 Part 2 · 面试深度想讲透、备战面试三硬伤 + 两链路 + 选型 +…

#RAG#检索#项目实战

项目实战·RAG

第 2 章:RAG 整体架构

匹配正文：…到什么 ✓ 把第 1 章的"迷你流水线"展开成端到端骨架,亲手跑通"建库 → 提问 → 召回 → 拼上下文 → 回答" ✓ 看懂 RAG 的四大模块(解析切分入库 / Query 理解 / 检索召回重排 / 上下文生成)各管什么 ✓ 理解在线检索为什么是"双路召回 + 两阶段(粗排→精排)"的漏斗 ✓ 想通一个关键问题:为什么离线要同时建"向量库 + 倒排索引"两套索引 ✓ 建立"模块联动"的全局视角:一处没做好会顺着链路放大本章按三段式组织,不同基础的读者各取所需: 段落…

#RAG#检索#项目实战

求职指南·求职

手把手把 RAG 教程做成"你自己的"项目

匹配正文：…建议边学边把每章的产出记进一个项目文档,这份文档最后自然长成你的证据链。教程章做完你能拿出的证据面试会怎么追问为什么需要 RAG 需求说明:场景、为什么不用纯大模型/微调 "这个场景为什么选 RAG 不选微调" 整体架构一张能手画的架构图 + 每个模块职责 "把你的链路画一下,数据怎么流" 文档预处理与切分 chunk 策略 + 大小的对比数据 "切多大、为什么、试过别的吗" Embedding 选型选了哪个模型、和备选的对比 "为什么这个 embedding,维…

#求职#职业转型

求职指南·求职

领域八股速通:RAG / Agent / 评估 / 微调高频考点地图

匹配正文：…①面试官真正想验证什么 ②先看哪个教程/项目 ③代表题型 ④项目里怎么体现。题量取自站内各模块真实题数,反映这个方向面试考多密。 RAG 基础(62 题):验证你懂不懂检索链路的取舍 RAG 是应用岗第一主战场,面试官不是要你背定义,而是看你对"分块、embedding、检索、拼 prompt"这条链路的每一环有没有做过取舍。维度内容面试官在验证什么你是否理解 RAG 每一环为什么这么设计、召回和忠实度怎么保证,而不是只会调库先看哪个 RAG 教程:为什么需要 → …

#求职#职业转型